CN113706863A - 一种道路交通状态预测方法 - Google Patents
一种道路交通状态预测方法 Download PDFInfo
- Publication number
- CN113706863A CN113706863A CN202110897210.5A CN202110897210A CN113706863A CN 113706863 A CN113706863 A CN 113706863A CN 202110897210 A CN202110897210 A CN 202110897210A CN 113706863 A CN113706863 A CN 113706863A
- Authority
- CN
- China
- Prior art keywords
- channel
- holiday
- traffic flow
- time period
- time interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种道路交通状态预测方法，涉及交通控制技术领域。根据第一通道集合中各通道在节假日的车流量统计数据，从中选取至少两个通道，形成第二通道集合，根据所述第二通道集合中各通道的过车信息以及各通道对应的候选关联点位处的过车信息，确定相对应的流量匹配度，并根据相对应的流量匹配度确定所述第二通道集合中各通道分别对应的目标关联点位，根据目标关联点位在节假日各时段的车流量，确定所述目标关联点位在节假日各时段的车流量梯度；至少根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对所述第二通道集合中各通道在节假日的各时段的道路交通状态进行预测。
Description
技术领域
本申请涉及交通控制技术领域，特别涉及一种道路交通状态预测方法。
背景技术
在目前城市发展中，人们在节假日驾车进出各个城市的需求激增。节假日的出行需求与日常通勤且需求差异较大，主要体现在：车辆进出城通道瓶颈效应明显，处理进出城出行需求的激增引起进出城通道的堵塞，降低出行体验；节假日出行高峰与工作日早晚高峰发生在固定的时段(如早7:30～9:00)不同，其产生的时间难以预测，无法及时有效采取信号控制、交通诱导等应对措施。
因此，如何对道路交通状态进行预测，尤其是对城市进出通道在节假日的出行高峰时间进行预测，以便及时采取相应交通控制措施，避免各通道的拥堵状态，是目前需要解决的问题。
发明内容
本申请示例性的实施方式中提供一种道路交通状态预测方法，用以预测在节假日的出行状态。
第一方面，提供一种道路交通状态预测方法，包括：
根据第一通道集合中各通道在节假日的车流量统计数据，从所述第一通道集合中选取至少两个通道，形成第二通道集合，所述第二通道集合中的通道的车流量均值和车流量标准偏差均大于所述第一通道集合中未被选取的通道；其中，所述第一通道集合包括至少两个进出同一地理区域的通道；
根据所述第二通道集合中各通道的过车信息以及各通道对应的候选关联点位处的过车信息，确定所述第二通道集合中各通道与相应通道对应的候选关联点位的流量匹配度，并根据各通道与相应通道对应的流量匹配度确定所述第二通道集合中各通道分别对应的目标关联点位，所述第二通道集合中任意一个通道所对应的目标关联点位来自该通道对应的候选关联点位，所述第二通道集合中的任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度用于表征在节假日中通过该通道和该候选关联点位的车辆数与通过该通道的车辆总数的比例；
根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量，确定所述目标关联点位在节假日各时段的车流量梯度；其中，任意一个目标关联点位在节假日任意一个时段的车流量梯度用于表征该目标关联点位在该时段的车流量与前一个时段的变化程度；
至少根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对所述第二通道集合中各通道在节假日的各时段的道路交通状态进行预测。
可选的，还包括：所述根据所述第一通道集合中各通道在节假日的车流量统计数据，从所述第一通道集合中选取至少两个通道，形成第二通道集合，包括：
根据所述第一通道集合中各通道在至少两个节假日中各时段的车流量统计数据，确定所述第一通道集合中各通道分别对应的日均车流量，按照日均车流量从大到小排序，从所述第一通道集合中选取至少两个通道，形成第三通道集合；
根据所述第三通道集合中各通道在节假日中各时段的车流量统计数据，确定所述第三通道集合中各通道的车流量标准偏差，按照车流量标准偏差从大到小排序，从所述第三通道集合中选取至少两个通道，形成所述第二通道集合。
可选的，还包括：所述第二通道集合中任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度满足以下公式：
其中，λ为所述任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度，
为第a个节假日在所述任意一个通道检测到的车辆车牌数量，
为第a个节假日在所述任意一个通道以及所述任意一个候选关联点位检测到的车辆车牌中相同车牌的数量。
可选的，还包括：所述根据各通道与相应通道对应的流量匹配度确定所述第二通道集合中各通道分别对应的目标关联点位，包括：
根据所述第二通道集合中任意一个通道与该通道对应的流量匹配度，将该通道对应的候选关联点位中与该通道的流量匹配度大于设定阈值的候选关联通道，确定为该通道对应的目标关联点位。
可选的，还包括：所述根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量，确定所述目标关联点位在节假日各时段的车流量梯度，包括：
获取所述第二通道集合中任意一个通道对应的任意一个目标关联点位在第一节假日中的第一时段的车流量统计数据；
根据所述车流量统计数据，更新所述任意一个目标关联点位在节假日中的所述第一时段的车流量梯度，其中，所述任意一个目标关联点位在节假日中的所述第一时段的车流量梯度满足以下公式：
其中，gi为所述任意一个目标关联点位在节假日的时段i的车流量梯度，i为时段索引，所述时间段i为所述第一时间段；
为所述任意一个目标关联点位在节假日的时段i的车流量统计值，
为所述任意一个目标关联点位在节假日的时段i-1的车流量统计值，
为所述任意一个目标关联点位在节假日的i一个节假日的各时段的车流量平均值，b为时段数量。
可选的，还包括：所述至少根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对所述第二通道集合中各通道在节假日的各时段的出行状态进行预测，包括：
若所述第二通道集合中任意一个通道对应的所有目标关联点位中高于设定比例的目标关联点位在节假日中的任意一个时段的车流量梯度大于设定阈值，则满足用于判定该通道在节假日的所述任意一个时段的下一个时段将进入出行高峰状态的条件之一。
可选的，还包括：用于判定该通道在节假日的所述任意一个时段的下一个时段将进入为出行高峰状态的条件还包括：
所述任意一个通道在节假日的所述任意一个时段的出行状态表明下一个时段为出行高峰，和/或，所述任意一个通道在节假日的所述任意一个时段的车流量梯度大于设定阈值；
其中，所述任意一个通道在节假日的所述任意一个时段的出行状态是根据所述第二通道集合中所述任意一个通道在节假日中各时段的车流量信息确定的，所述第二通道集合中的所述任意一个通道在节假日的所述任意一个时段对应的出行状态用于表征该通道在节假日的该时段的下一个时段是否达到出行高峰；所述任意一个通道在节假日的所述任意一个时段的车流量梯度是根据所述第二通道集合中所述任意一个通道在节假日各时段的车流量确定的，所述第二通道集合中所述任意一个通道在节假日的所述任意一个时段的车流量梯度用于表征该通道在该时段的车流量与前一个时段的变化程度。
可选的，还包括：确定所述第二通道集合中各通道在节假日各时段的出行状态的操作，包括：
获取所述第二通道集合中任意一个通道在第一节假日中的第一时段的车流量统计数据；
根据所述任意一个通道在所述第一节假日中的所述第一时段的车流量统计数据，以及所述任意一个通道在至少一个第二节假日的所述第一时段的车流量统计数据，更新所述任意一个通道对应的出行状态向量中所述第一时段对应的出行状态；其中，所述第二节假日在所述第一节假日之前，所述任意一个通道对应的出行状态向量中包括该通道在各时段分别对应的出行状态；
其中，所述任意一个通道对应的出行状态向量中所述第一时段对应的出行状态满足以下公式：
其中，
为所述任意一个通道对应的出行状态向量中时间段i对应的出行状态，
表示时段i+1不是高峰出行状态，
表示时段i+1是高峰出行状态，i为时段索引，所述时间段i为所述第一时间段；
为节假日dm在时间段i的车流量统计数据，dm为节假日索引，m为节假日的数量。
可选的，还包括：确定所述第二通道集合中各通道在节假日各时段的车流量梯度的操作，包括：
获取所述第二通道集合中任意一个通道在第一节假日中的第一时段的车流量统计数据；
根据所述车流量统计数据，更新所述任意一个通道在节假日中的所述第一时段的车流量梯度，其中，所述任意一个通道在节假日中的所述第一时段的车流量梯度满足以下公式：
其中，gi为所述任意一个通道在节假日的时段i的车流量梯度，i为时段索引，所述时间段i为所述第一时间段；
为所述任意一个通道在节假日的时段i的车流量统计值，
为所述任意一个通道在节假日的时段i-1的车流量统计值，
为所述任意一个目标关联点位在节假日的i一个节假日的各时段的车流量平均值，b为时段数量。
第二方面，提供一种交通状态预测方法，包括：根据第一通道集合中各通道在节假日的车流量统计数据，从所述第一通道集合中选取至少两个通道，形成第二通道集合，所述第二通道集合中的通道的车流量均值和标准偏差均大于所述第一通道集合中未被选取的通道；其中，所述第一通道集合包括至少两个进出同一地理区域的通道；
根据所述第二通道集合中各通道在节假日中各时段的车流量信息，确定所述第二通道集合中各通道在节假日各时段的出行状态；其中，所述第二通道集合中任意一个通道在节假日任意一个时段对应的出行状态用于表征该通道在节假日的该时段的下一个时段是否达到出行高峰；
根据所述第二通道集合中各通道在节假日各时段的车流量，确定所述第二通道集合中各通道在节假日各时段的车流量梯度；其中，所述第二通道集合中任意一个通道在节假日的任意一个时段的车流量梯度用于表征该通道在该时段的车流量与前一个时段的变化程度；
当所述第二通道集合中任意一个通道在任意一个时段的出行状态表明下一个时段为出行高峰，且该通道在该时段的车流量梯度大于设定阈值时，预测该通道将在该时段的下一个时段进入出行高峰状态。
本申请的上述实施例中，由于第一通道集合对应各通道在节假日的车流量统计数据，第二通道对应第一通道集合中选取至少两个通道，根据第二通道集合中各通道的过车信息以及各通道对应的候选关联点位处的过车信息，确定第二通道集合中各通道与相应通道对应的候选关联点位的流量匹配度并筛选出目标关联点位，因此可以实现对节假日中道路出行高峰进行预测，以便及时采取相应交通控制措施，减少或避免交通拥堵，提高居民出行体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示例性示出了本申请实施例提供一种道路交通状态预测方法的流程示意图；
图2示例性示出了本申请实施例提供一种出行状态预测方法的流程图；
图3示例性示出了本申请实施例提供的一种道路交通状态预测装置的结构示意图；
图4示例性示出了本申请另外的实施例提供的一种道路交通状态预测装置的结构示意图。
具体实施方式
本申请实施例提供了一种道路交通状态预测方法及装置，通过对相关联的点位的车流量历史数据进行分析，可以实现对节假日中道路出行高峰进行预测，以便及时采取相应交通控制措施，减少或避免交通拥堵，提高居民出行体验。
下面首先对本申请涉及的技术术语进行说明。
(1)道路交通状态：根据单位时间内车流量大小，道路交通状态可划分为高峰、低峰和平峰。
(2)点位：是指交通道路的一些特定位置，该位置上设置有检测装置，通过该检测装置可获得车流量信息以及过车信息(比如经过该点位的车辆的车牌号信息)。
(3)通道：对于一个区域(比如城市)来说，进出该区域的交通道路上的点位(比如路口)可称为该区域的进出通道。比如，某个城市的进出城通道可包括：进出该城市的高速公路出入口，或者国道/省道与该城市道路的交界处等点位。在这些点位上设置检测装置，通过该检测装置可获得车流量信息以及过车信息。
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，″/″表示或的意思，例如，A/B可以表示A或B；文本中的″和/或″仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，″多个″是指两个或多于两个。
以下，术语″第一″、″第二″仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有″第一″、″第二″的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，″多个″的含义是两个或两个以上。
参见图1，为本申请实施例提供的一种道路交通状态预测方法的流程示意图。该流程可由道路交通状态预测装置执行，该道路交通状态预测装置可以是交通控制中心服务器，该交通控制中心服务器可以获得节假日的车流量历史数据和/或过车信息历史数据，并根据这些历史数据对未来节假日或节假日内的未来时段的车辆出行状态进行预测。
如图1所示，该流程可包括如下步骤：
S101：根据第一通道集合中各通道在节假日的车流量统计数据，从该第一通道集合中选取至少两个通道，形成第二通道集合，第二通道集合中的通道的车流量均值和车流量标准偏差均大于第一通道集合中未被选取的通道。
其中，第一通道集合是指城市的全部进出城通道，用{A1，A2，，A3，....，An}表示，n为大于或等于2的整数，比如n可设置为大于或等于20。对于一个城市来说，可预先选取n个进出该城市的高速公路入口、国道/省道与该城市道路的交界处的点位，形成第一通道集合第二通道集合中的通道是从第一通道集合中筛选出来的，第二通道集合中的通道可称为关键通道，关键通道的车辆进出城出行需求量大，且会对周边道路产生重要影响，需要进行有效管控，第二通道集合(即关键通道)用{K1，K2，，K3，....，Km}表示(m为大于或等于，2的整数)，m≤n。
可选的，可通过以下流程(S1011和S1012)从第一通道集合中筛选出第二通道集合(即关键通道)：
S1011：根据第一通道集合中各通道在至少两个节假日中各时段的车流量统计数据，确定第一通道集合中各通道分别对应的日均车流量，按照日均车流量从大到小排序，从第一通道集合中选取至少两个通道，形成第三通道集合，即候选关键通道。
该步骤中，可首先获取第一通道集合中的各通道在a个节假日中的各时段的车流量统计数据。其中，a为大于或等于1的整数，比如a≥10。以中秋节为例，可获取第一通道集合中的各通道在过去10个中秋节中的各时段的车流量统计数据。一个节假日可被划分为多个时段，比如，可将一个节假日划分为96个时段，每个时段15分钟，车流量统计数据是指在节假日一天内以15分钟为一个时段来统计第一集合通道中任意通道A的全部进/出城车流量数据，用
表示，
指通道A在节假日a日内00:00～00:15的车流量统计，
是指通道A在第a日内00:15～00:30的过车流量统计值，依次类推。
可选的，一个时段内的车流量统计数据，可仅包括出城方向的车流量统计值，也可仅包括进程方向的车流量统计值，还可以既包括出城方向的车流量统计值也包括进程方向的车流量统计值。
然后，计算第一通道集合中的各通道在a个节假日中的各时段的日均车流量。以一个节假日被划分为96个时段为例，第一通道集合中的任意一个通道在a个节假日的日均车流量的计算公式如下：
其中，
是指任意一个通道A在a个节假日的日均车流量，a代表节假日的数量，
是指在第a个节假日一天内96个时段的车流量累加值。
将计算得到的各通道的日均车流量
从大到小排序，从中选取至少两个通道，形成第三通道集合，即候选关键通道。比如，可选取其中80％的通道作为候选关键通道。
S1012：根据第三通道集合中各通道在节假日中各时段的车流量统计数据，确定第三通道集合中各通道的车流量标准偏差，按照车流量标准偏差从大到小排序，从第三通道集合中选取至少两个通道，形成第二通道集合，即关键通道。
该步骤中，可首先计算第三通道集合中各通道的车流量标准偏差。可选的，以一个节假日被划分为96个时段为例，任意一个通道的车流量平均标准偏差看用以下公式计算：
其中，
表示a个节假日对应的平均车流量标准偏差；a代表节假日的数量，σA_da是指在任意第三通道集合的第a个节假日对应的车流量标准偏差，qi表示任意一个第三通道在节假日的时段i的车流量统计值。
然后，按照车流量标准偏差
从大到小排序，从第三通道集合中选取至少两个通道，形成第二通道集合，即关键通道。比如，可筛选出前80％的通道作为关键通道。
S102：根据第二通道集合中各通道的过车信息以及各通道对应的候选关联点位处的过车信息，确定第二通道集合中各通道与相应通道对应的候选关联点位的流量匹配度，并根据各通道与相应通道对应的流量匹配度确定第二通道集合中各通道分别对应的目标关联点位，其中，第二通道集合中任意一个通道所对应的目标关联点位来自该通道对应的候选关联点位。
其中，第二通道集合中的任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度用于表征在节假日中通过该通道和该候选关联点位的车辆数与通过该通道的车辆总数的比例。
对于第二通道集合中的任意一个通道，其过车信息可包括时间戳以及在相应时间经过的车辆的车牌号，还可进一步包括该通道的地理位置信息。
本申请实施例中，对于第二通道集合中的任意一个通道，可预先指定候选关联点位。一个通道的候选关联点位是以该通道为基准一定范围内的点位，比如，一个通道的候选关联点位是以该通道为中心，半径r为3公里范围内的点位。
可选的，可根据以下公式计算第二通道集合中任意一个通道(即关键通道)与该通道对应的任意一个候选关联点位的流量匹配度：
其中，λ为流量匹配度，
为第a个节假日在该关键通道检测到的车辆车牌数量，
为第a个节假日该关键通道与候选关联点位检测到的车辆车牌中相同车牌的数量。
可选的，在针对任意一个关键通道计算得到该关键通道与各候选关联点位的流量匹配度后，可将该通道对应的候选关联点位中与该通道的流量匹配度大于设定阈值的候选关联通道确定为该关键通道对应的目标关联点位。可选的，该设定阈值的取值范围可以是[0.3，1]。
S103：根据第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量，确定目标关联点位在节假日各时段的车流量梯度。
可选的，可按照以下步骤(S1031和S1032)确定第二通道集合中任意一个通道对应的任意一个目标关联点位在节假日各时段的车流量梯度：
S1031：获取第二通道集合中任意一个通道对应的任意一个目标关联点位在第一节假日中的第一时段的车流量统计数据；其中，第一时段为节假日中的任意一个时段。
S1032：根据S1031中获取到的车流量统计数据，更新该目标关联点位在节假日中的该第一时段的车流量梯度。可选的，该目标关联点位在节假日中的该第一时段的车流量梯度满足以下公式：
其中，gi为该目标关联点位在节假日的时段i的车流量梯度，i为时段索引，时间段i为第一时间段；
为该目标关联点位在节假日的时段i的车流量统计值，
为该目标关联点位在节假日的时段i-1的车流量统计值，
为该目标关联点位在节假日i的上一个节假日的各时段的车流量平均值，b为时段数量。
举例来说，对于某个关键通道对应的某个目标关联点位，可从节假日的0点开始，以15分钟为间隔，实时滚动统计该关键通道对应的目标关联点位的流量梯度向量[g1，g2，....，g96]。
S104：至少根据第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对第二通道集合中各通道在节假日的各时段的道路交通状态进行预测。
可选的，在一些实施例中，若第二通道集合中任意一个通道对于的所有目标关联点位中高于设定比例的目标关联点位在节假日中的任意一个时段的车流量梯度大于设定阈值(即满足第一条件)，则可判定该通道在下一个时段将进入出行高峰状态。可选的，该设定阈值可取值为0.4。可选的，该设定比例可以设置为50％。例如，对于关键通道k，如果其所有的目标关联点位中有50％的目标关联点位在当前时段(时段1)的车流量梯度大于设定阈值0.4，则可预测在即将到来的时段2，关键通道k将进入出行高峰状态。
在其他一些实施例中，可以在判断满足上述第一条件的基础上，再结合其他判断条件来对该通道在下一个时段是否会进入出行高峰状态进行预测。所述其他条件可包括第二条件和第三条件中的至少一个。下面分别对基于上述条件的各种组合情况进行描述。
情况1：若对于任意一个时段(为表述方便，以当前时段为例)，第二通道集合中的任意一个通道(为表述方便，以下称为关键通道k)，其满足第一条件和第二条件，则可判定该关键通道k在下一个时段将进入出行高峰状态。
该第二条件可以是：该关键通道k在当前时段的出行状态表明下一个时段为出行高峰。也就是说，对于关键通道k，如果其对于一定比例的目标关联点位在当前时段(如时段1)的车流量梯度大于设定阈值(即满足第一条件)，并且该关键通道k在当前时段的出行状态表明下一个时段(如时段2)为出行高峰(即满足第二条件)，则判定该通道在下一个时段将进入出行高峰状态。
示例性的，关键通道k在节假日的各时段的出行状态是根据该关键通道在节假日中各时段的车流量信息确定的，该关键通道k在节假日的一个时段对应的出行状态用于表征该关键通道k在节假日的该时段的下一个时段是否达到出行高峰。
示例性的，以第二通道集合中的任意一个通道，如关键通道k为例，且一个节假日被划分为96个时段，获取关键通道k的车流量信息，得到出行高峰状态向量，设为
或1，0代表下个时段关键通道没有进入出行高峰状态，1代表下个时段关键通道进入出行高峰状态。关键通道k对应的出行状态向量中的一个时段(时段i)对应的出行状态满足以下公式：
其中，
为关键通道k对应的出行状态向量中时间段i对应的出行状态，
表示时段i+1不是高峰出行状态，
表示时段i+1是高峰出行状态，i为时段索引；
为节假日da在时间段i的车流量统计数据，da为节假日索引，a为节假日的数量。
情况2：若对于任意一个时段(为表述方便，以当前时段为例)，第二通道集合中的任意一个通道(为表述方便，以下称为关键通道k)，其满足第一条件和第三条件，则可判定该关键通道k在下一个时段将进入出行高峰状态。
该第三条件可以是：关键通道k在节假日的当前时段的车流量梯度大于设定阈值。也就是说，对于关键通道k，如果其一定比例的目标关联点位在当前时段(如时段1)的车流量梯度大于设定阈值(即满足第一条件)，并且该关键通道k在当前时段的车流量梯度大于设定阈值(即满足第三条件)，则判定该通道在下一个时段(如时段2)将进入出行高峰状态。可选的，该设定阈值的取值可以是0.3。
示例性的，关键通道k在节假日的任意一个时段的车流量梯度是根据该关键通道在节假日各时段的车流量确定的，该关键通道k在一个时段的车流量梯度用于表征该关键通道在该时段的车流量与前一个时段的变化程度。
示例性的，以第二通道集合中的任意一个通道，如关键通道k为例，获取关键通道在在第一节假日中的第一时段的车流量统计数据；其中，第一时段为节假日中的任意一个时段，更新关键通道k的车流量梯度。关键通道k对应的车流量梯度满足以下公式：
其中，gi为该关键通道在节假日的时段i的车流量梯度，i为时段索引，时间段i为第一时间段；
为该关键通道在节假日的时段i的车流量统计值，
为该关键通道在节假日的时段i-1的车流量统计值，
为该关键通道在节假日i的上一个节假日的各时段的车流量平均值，b为时段数量。
举例来说，对于某个关键通道k，可从一个节假日的0点开始，以15分钟为间隔，实时滚动统计该关键通道对应的该时段的流量梯度向量[g1，g2，....，g96]，当gi大于0.3时，则判定该关键通道在下一个时段(如时段2)将进入出行高峰状态。
情况3：若对于任意一个时段(为表述方便，以当前时段为例)，第二通道集合中的任意一个通道(为表述方便，以下称为关键通道k)，其满足第一条件和第二条件以及第三条件，则可判定该关键通道k在下一个时段将进入出行高峰状态。
该情况的实现方式，可参照上述(情况1和情况2)中的相关描述。
本申请上述实施例通过获取海量的城市在历史节假日的过车数据与城市进出城通道出行高峰时间的内在联系，根据分析与关键通道有关联性的点位流量信息，提前获知关键通道的交通流量预期变化，具有一定的提前量，更符合居民在节假日实际出行需求。
参见图2，为本申请实施例提供的一种道路交通状态预测方法的流程图。该流程可由出行状态预测装置执行，该出行状态预测装置可以是交通控制中心服务器，该交通控制中心服务器可以获得节假日的车流量历史数据和/或过车信息历史数据，并根据这些历史数据对未来节假日或节假日内的未来时段的车辆出行状态进行预测。
如图2所示，该流程可包括如下步骤：
S201：根据第一通道集合中各通道在节假日的车流量统计数据，从第一通道集合中选取至少两个通道，形成第二通道集合，第二通道集合中的通道的车流量均值和标准偏差均大于所述第一通道集合中未被选取的通道；其中，第一通道集合包括至少两个进出同一地理区域的通道。
该步骤的实现方式可参见步骤S101中的具体内容。
S202：根据第二通道集合中各通道在节假日中各时段的车流量信息，确定第二通道集合中各通道在节假日各时段的出行状态。
其中，第二通道集合中任意一个通道在节假日任意一个时段对应的出行状态用于表征该通道在节假日的该时段的下一个时段是否达到出行高峰。
该步骤的实现方式可参照步骤S104中的相关描述。
S203：根据第二通道集合中各通道在节假日各时段的车流量，确定第二通道集合中各通道在节假日各时段的车流量梯度。
其中，第二通道集合中任意一个通道在节假日的任意一个时段的车流量梯度用于表征该通道在该时段的车流量与前一个时段的变化程度。
该步骤的实现方式可参照步骤S104中的相关描述。
S204：当第二通道集合中任意一个通道在任意一个时段的出行状态表明下一个时段为出行高峰，且该通道在该时段的车流量梯度大于设定阈值时，预测该通道将在该时段的下一个时段进入出行高峰状态。
上述图2所示的流程中，利用交通控制中心服务器获知的历史节假日海量的过车信息数据，进行深度融合分析，建立了节假日城市进出城通道出行高峰预测判定方法，具备充分、详实的数据支撑，提高了预警的准确性和普适性，以便快速及时处置节假日出行高峰、缓解交通拥堵以及提升居民出行体验。
基于相同的技术构思，本申请实施例还提供了一种道路交通状态预测装置，该装置可实现前述实施例所述的方法。
如图3所示，该道路交通状态预测装置可包括：通道选取模块301、关联点位选取模块302、流量梯度统计模块303、预测模块304。
通道选取模块301，被配置为第一通道集合中各通道在节假日的车流量统计数据，从第一通道集合中选取至少两个通道，形成第二通道集合即关键通道；
关联点位选取模块302，被配置为根据第二通道集合中各通道的过车信息以及各通道对应的候选关联点位处的过车信息，确定第二通道集合中各通道与相应通道对应的候选关联点位的流量匹配度，并根据各通道与相应通道对应的流量匹配度确定第二通道集合中各通道分别对应的目标关联点位；
流量梯度统计模块303，被配置为根据第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量，确定目标关联点位在节假日各时段的车流量梯度；
预测模块304，被配置为至少根据第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对第二通道集合中各通道在节假日的各时段的出行状态进行预测。
可选的，通道选取模块301具体被配置为：根据第一通道集合中各通道在至少两个节假日中各时段的车流量统计数据，确定第一通道集合中各通道分别对应的日均车流量，按照日均车流量从大到小排序，从第一通道集合中选取至少两个通道，形成第三通道集合；根据第三通道集合中各通道在节假日中各时段的车流量统计数据，确定第三通道集合中各通道的车流量标准偏差，按照车流量标准偏差从大到小排序，从第三通道集合中选取至少两个通道，形成第二通道集合。
可选的，第二通道集合中任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度满足上述公式(4)。
可选的，关联点位选取模块302具体被配置为：根据第二通道集合中任意一个通道与该通道对应的流量匹配度，将该通道对应的候选关联点位中与该通道的流量匹配度大于设定阈值的候选关联通道，确定为该通道对应的目标关联点位。
可选的，关联点位选取模块302具体被配置为：获取第二通道集合中任意一个通道对应的任意一个目标关联点位在第一节假日中的第一时段的车流量统计数据；根据车流量统计数据，更新任意一个目标关联点位在节假日中的所述第一时段的车流量梯度，其中，任意一个目标关联点位在节假日中的所述第一时段的车流量梯度满足公式(5)。
可选的预测模块304具体被配置为：若第二通道集合中任意一个通道对应的所有目标关联点位中高于设定比例的目标关联点位在节假日中的任意一个时段的车流量梯度大于设定阈值，则满足用于判定该通道在节假日的所述任意一个时段的下一个时段将进入出行高峰状态的条件之一。
可选的，用于判定该通道在节假日的所述任意一个时段的下一个时段将进入为出行高峰状态的条件还包括：该任意一个通道在节假日的任意一个时段的出行状态表明下一个时段为出行高峰，和/或，该任意一个通道在节假日的所述任意一个时段的车流量梯度大于设定阈值。其中，该任意一个通道在节假日的该任意一个时段的出行状态是根据第二通道集合中该任意一个通道在节假日中各时段的车流量信息确定的，第二通道集合中的该任意一个通道在节假日的该任意一个时段对应的出行状态用于表征该通道在节假日的该时段的下一个时段是否达到出行高峰；该任意一个通道在节假日的该任意一个时段的车流量梯度是根据第二通道集合中该任意一个通道在节假日各时段的车流量确定的，第二通道集合中该任意一个通道在节假日的该任意一个时段的车流量梯度用于表征该通道在该时段的车流量与前一个时段的变化程度。
可选的，确定所述第二通道集合中各通道在节假日各时段的出行状态的操作，包括：获取第二通道集合中任意一个通道在第一节假日中的第一时段的车流量统计数据；根据该任意一个通道在第一节假日中的第一时段的车流量统计数据，以及该任意一个通道在至少一个第二节假日的第一时段的车流量统计数据，更新该任意一个通道对应的出行状态向量中第一时段对应的出行状态；其中，所述第二节假日在所述第一节假日之前，所述任意一个通道对应的出行状态向量中包括该通道在各时段分别对应的出行状态。其中，所述任意一个通道对应的出行状态向量中所述第一时段对应的出行状态满足上述公式(6)。
可选的，确定第二通道集合中各通道在节假日各时段的车流量梯度的操作，包括：获取第二通道集合中任意一个通道在第一节假日中的第一时段的车流量统计数据；根据车流量统计数据，更新任意一个通道在节假日中的所述第一时段的车流量梯度，其中，任意一个通道在节假日中的第一时段的车流量梯度满足上述公式(7)。
在此需要说明的是，本申请实施例提供的上述道路交通状态装置，能够实现上述方法实施例中的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
如图4所示，该道路交通状态预测装置还可包括：通道选取模块401、出行状态统计模块402、车流量梯度统计模块403、预测模块404。
通道选取模块401，被配置为第一通道集合中各通道在节假日的车流量统计数据，从第一通道集合中选取至少两个通道，形成第二通道集合即关键通道；
出行状态统计模块402，被配置为根据第二通道集合中各通道在节假日中各时段的车流量信息，确定第二通道集合中各通道在节假日各时段的出行状态；
车流量梯度统计模块403，被配置为根据第二通道集合中各通道在节假日各时段的车流量，确定第二通道集合中各通道在节假日各时段的车流量梯度；
预测模块404，被配置为当第二通道集合中任意一个通道在任意一个时段的出行状态表明下一个时段为出行高峰，且该通道在该时段的车流量梯度大于设定阈值时，预测该通道将在该时段的下一个时段进入出行高峰状态。
在此需要说明的是，本申请实施例提供的上述道路交通状态装置，能够实现上述方法实施例中的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
基于相同的技术构思，本申请实施例还提供一种电子设备，该电子设备可实现前述实施例所执行的流程。
该电子设备包括处理器、存储器。其中，处理器也可以为控制器。所述处理器被配置为支持该电子设备执行前述流程涉及的功能。存储器用于与处理器耦合，其保存该电子设备必要的程序指令和数据。其中，处理器和存储器相连，该存储器用于存储指令，该处理器用于执行该存储器存储的指令，以完成上述方法中的相应功能的步骤。
本申请实施例中，电子设备所涉及的与本申请实施例提供的技术方案相关的概念，解释和详细说明及其它步骤请参见前述方法或其它实施例中关于这些内容的描述，此处不做赘述。
需要说明的是，本申请实施例上述涉及的处理器可以是中央处理器(centralprocessing unit，CPU)，通用处理器，数字信号处理器(digital signal processor，DSP)，专用集成电路(application-specific integrated circuit，ASIC)，现场可编程门阵列(field programmable gate array，FPGA)或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。其中，所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行图2或图3道路交通状态预测所执行的流程。
基于相同的技术构思，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在被计算机调用时使得所述计算机执行图2或图3道路交通状态预测所执行的流程。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种道路交通状态预测方法，其特征在于，包括：
根据第一通道集合中各通道在节假日的车流量统计数据，从所述第一通道集合中选取至少两个通道，形成第二通道集合，所述第二通道集合中的通道的车流量均值和车流量标准偏差均大于所述第一通道集合中未被选取的通道；其中，所述第一通道集合包括至少两个进出同一地理区域的通道；
根据所述第二通道集合中各通道的过车信息以及各通道对应的候选关联点位处的过车信息，确定所述第二通道集合中各通道与相应通道对应的候选关联点位的流量匹配度，并根据各通道与相应通道对应的流量匹配度确定所述第二通道集合中各通道分别对应的目标关联点位，所述第二通道集合中任意一个通道所对应的目标关联点位来自该通道对应的候选关联点位，所述第二通道集合中的任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度用于表征在节假日中通过该通道和该候选关联点位的车辆数与通过该通道的车辆总数的比例；
根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量，确定所述目标关联点位在节假日各时段的车流量梯度；其中，任意一个目标关联点位在节假日任意一个时段的车流量梯度用于表征该目标关联点位在该时段的车流量与前一个时段的变化程度；
至少根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对所述第二通道集合中各通道在节假日的各时段的道路交通状态进行预测。
2.如权利要求1所述的方法，其特征在于，所述根据所述第一通道集合中各通道在节假日的车流量统计数据，从所述第一通道集合中选取至少两个通道，形成第二通道集合，包括：
根据所述第一通道集合中各通道在至少两个节假日中各时段的车流量统计数据，确定所述第一通道集合中各通道分别对应的日均车流量，按照日均车流量从大到小排序，从所述第一通道集合中选取至少两个通道，形成第三通道集合；
根据所述第三通道集合中各通道在节假日中各时段的车流量统计数据，确定所述第三通道集合中各通道的车流量标准偏差，按照车流量标准偏差从大到小排序，从所述第三通道集合中选取至少两个通道，形成所述第二通道集合。
3.如权利要求1所述的方法，其特征在于，所述第二通道集合中任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度满足以下公式：
其中，λ为所述任意一个通道与该通道对应的任意一个候选关联点位的流量匹配度，
为第a个节假日在所述任意一个通道检测到的车辆车牌数量，
为第a个节假日在所述任意一个通道以及所述任意一个候选关联点位检测到的车辆车牌中相同车牌的数量。
4.如权利要求1所述的方法，其特征在于，所述根据各通道与相应通道对应的流量匹配度确定所述第二通道集合中各通道分别对应的目标关联点位，包括：
根据所述第二通道集合中任意一个通道与该通道对应的流量匹配度，将该通道对应的候选关联点位中与该通道的流量匹配度大于设定阈值的候选关联通道，确定为该通道对应的目标关联点位。
5.如权利要求1所述的方法，其特征在于，所述根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量，确定所述目标关联点位在节假日各时段的车流量梯度，包括：
获取所述第二通道集合中任意一个通道对应的任意一个目标关联点位在第一节假日中的第一时段的车流量统计数据；
根据所述车流量统计数据，更新所述任意一个目标关联点位在节假日中的所述第一时段的车流量梯度，其中，所述任意一个目标关联点位在节假日中的所述第一时段的车流量梯度满足以下公式：
其中，gi为所述任意一个目标关联点位在节假日的时段i的车流量梯度，i为时段索引，所述时间段i为所述第一时间段；
为所述任意一个目标关联点位在节假日的时段i的车流量统计值，
为所述任意一个目标关联点位在节假日的时段i-1的车流量统计值，
为所述任意一个目标关联点位在节假日的i一个节假日的各时段的车流量平均值，b为时段数量。
6.如权利要求1-5中任一项所述的方法，其特征在于，所述至少根据所述第二通道集合中各通道分别对应的目标关联点位在节假日各时段的车流量梯度，对所述第二通道集合中各通道在节假日的各时段的出行状态进行预测，包括：
若所述第二通道集合中任意一个通道对应的所有目标关联点位中高于设定比例的目标关联点位在节假日中的任意一个时段的车流量梯度大于设定阈值，则满足用于判定该通道在节假日的所述任意一个时段的下一个时段将进入出行高峰状态的条件之一。
7.如权利要求6所述的方法，其特征在于，用于判定该通道在节假日的所述任意一个时段的下一个时段将进入为出行高峰状态的条件还包括：
所述任意一个通道在节假日的所述任意一个时段的出行状态表明下一个时段为出行高峰，和/或，所述任意一个通道在节假日的所述任意一个时段的车流量梯度大于设定阈值；
其中，所述任意一个通道在节假日的所述任意一个时段的出行状态是根据所述第二通道集合中所述任意一个通道在节假日中各时段的车流量信息确定的，所述第二通道集合中的所述任意一个通道在节假日的所述任意一个时段对应的出行状态用于表征该通道在节假日的该时段的下一个时段是否达到出行高峰；所述任意一个通道在节假日的所述任意一个时段的车流量梯度是根据所述第二通道集合中所述任意一个通道在节假日各时段的车流量确定的，所述第二通道集合中所述任意一个通道在节假日的所述任意一个时段的车流量梯度用于表征该通道在该时段的车流量与前一个时段的变化程度。
8.如权利要求7所述的方法，其特征在于，确定所述第二通道集合中各通道在节假日各时段的出行状态的操作，包括：
获取所述第二通道集合中任意一个通道在第一节假日中的第一时段的车流量统计数据；
根据所述任意一个通道在所述第一节假日中的所述第一时段的车流量统计数据，以及所述任意一个通道在至少一个第二节假日的所述第一时段的车流量统计数据，更新所述任意一个通道对应的出行状态向量中所述第一时段对应的出行状态；其中，所述第二节假日在所述第一节假日之前，所述任意一个通道对应的出行状态向量中包括该通道在各时段分别对应的出行状态；
其中，所述任意一个通道对应的出行状态向量中所述第一时段对应的出行状态满足以下公式：
其中，
为所述任意一个通道对应的出行状态向量中时间段i对应的出行状态，
表示时段i+1不是高峰出行状态，
表示时段i+1是高峰出行状态，i为时段索引，所述时间段i为所述第一时间段；
为节假日dm在时间段i的车流量统计数据，dm为节假日索引，m为节假日的数量。
9.如权利要求7所述的方法，其特征在于，确定所述第二通道集合中各通道在节假日各时段的车流量梯度的操作，包括：
获取所述第二通道集合中任意一个通道在第一节假日中的第一时段的车流量统计数据；
根据所述车流量统计数据，更新所述任意一个通道在节假日中的所述第一时段的车流量梯度，其中，所述任意一个通道在节假日中的所述第一时段的车流量梯度满足以下公式：
其中，gi为所述任意一个通道在节假日的时段i的车流量梯度，i为时段索引，所述时间段i为所述第一时间段；
为所述任意一个通道在节假日的时段i的车流量统计值，
为所述任意一个通道在节假日的时段i-1的车流量统计值，
为所述任意一个目标关联点位在节假日的i一个节假日的各时段的车流量平均值，b为时段数量。
10.一种道路交通状态预测方法，其特征在于，包括：
根据第一通道集合中各通道在节假日的车流量统计数据，从所述第一通道集合中选取至少两个通道，形成第二通道集合，所述第二通道集合中的通道的车流量均值和标准偏差均大于所述第一通道集合中未被选取的通道；其中，所述第一通道集合包括至少两个进出同一地理区域的通道；
根据所述第二通道集合中各通道在节假日中各时段的车流量信息，确定所述第二通道集合中各通道在节假日各时段的出行状态；其中，所述第二通道集合中任意一个通道在节假日任意一个时段对应的出行状态用于表征该通道在节假日的该时段的下一个时段是否达到出行高峰；
根据所述第二通道集合中各通道在节假日各时段的车流量，确定所述第二通道集合中各通道在节假日各时段的车流量梯度；其中，所述第二通道集合中任意一个通道在节假日的任意一个时段的车流量梯度用于表征该通道在该时段的车流量与前一个时段的变化程度；
当所述第二通道集合中任意一个通道在任意一个时段的出行状态表明下一个时段为出行高峰，且该通道在该时段的车流量梯度大于设定阈值时，预测该通道将在该时段的下一个时段进入出行高峰状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110897210.5A CN113706863B (zh) | 2021-08-05 | 2021-08-05 | 一种道路交通状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110897210.5A CN113706863B (zh) | 2021-08-05 | 2021-08-05 | 一种道路交通状态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706863A true CN113706863A (zh) | 2021-11-26 |
| CN113706863B CN113706863B (zh) | 2022-08-02 |
Family
ID=78651666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110897210.5A Active CN113706863B (zh) | 2021-08-05 | 2021-08-05 | 一种道路交通状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706863B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004030450A (ja) * | 2002-06-27 | 2004-01-29 | Kobe Steel Ltd | 交通情報案内装置、交通情報案内方法及びそのシステム |
| US20050096839A1 (en) * | 2003-11-04 | 2005-05-05 | Pioneer Corporation | Traffic-condition notifying device, its system, its method, its program and recording medium storing the program |
| US20070005230A1 (en) * | 2005-06-29 | 2007-01-04 | Nissan Motor Co., Ltd. | Traffic jam prediction device and method |
| WO2008021551A2 (en) * | 2006-08-18 | 2008-02-21 | Inrix, Inc. | Representative road traffic flow information based on historical data |
| WO2014118970A1 (ja) * | 2013-02-01 | 2014-08-07 | 富士通株式会社 | 旅行時間予測方法、旅行時間予測装置、及びプログラム |
| CN104123833A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种道路状况的规划方法和装置 |
| US20150206428A1 (en) * | 2014-01-21 | 2015-07-23 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
| WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
| WO2017033443A1 (ja) * | 2015-08-27 | 2017-03-02 | 日本電気株式会社 | 渋滞予測システム、渋滞予測方法、及び、記録媒体 |
| KR101826060B1 (ko) * | 2017-05-15 | 2018-02-06 | 주식회사 퀀텀게이트 | 교통사고 예보시스템 |
| CN108417034A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 |
| CN108629979A (zh) * | 2018-06-12 | 2018-10-09 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
| CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
| EP3413284A1 (en) * | 2017-06-09 | 2018-12-12 | SISTeMA - Soluzioni per l'Ingegneria dei Sistemi di trasporto e l'infoMobilità s.r.l. | Computer system and method for state prediction of a traffic system |
| CN111445694A (zh) * | 2020-03-04 | 2020-07-24 | 青岛海信网络科技股份有限公司 | 一种基于交通流量预测的节假日交通调度方法及装置 |
| CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
| WO2020259074A1 (zh) * | 2019-06-28 | 2020-12-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
| US20210020038A1 (en) * | 2019-07-18 | 2021-01-21 | International Business Machines Corporation | Predictive route congestion management |
| CN112669630A (zh) * | 2020-12-29 | 2021-04-16 | 杭州海康威视数字技术股份有限公司 | 交通信号配时方案生成方法、交通信号控制方法和装置 |
| WO2021129227A1 (zh) * | 2019-12-27 | 2021-07-01 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
| US20210209938A1 (en) * | 2020-09-25 | 2021-07-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
| GB202108207D0 (en) * | 2020-06-30 | 2021-07-21 | Univ Xidian | Vehicle traffic flow prediction method with missing data |
-
2021
- 2021-08-05 CN CN202110897210.5A patent/CN113706863B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004030450A (ja) * | 2002-06-27 | 2004-01-29 | Kobe Steel Ltd | 交通情報案内装置、交通情報案内方法及びそのシステム |
| US20050096839A1 (en) * | 2003-11-04 | 2005-05-05 | Pioneer Corporation | Traffic-condition notifying device, its system, its method, its program and recording medium storing the program |
| US20070005230A1 (en) * | 2005-06-29 | 2007-01-04 | Nissan Motor Co., Ltd. | Traffic jam prediction device and method |
| WO2008021551A2 (en) * | 2006-08-18 | 2008-02-21 | Inrix, Inc. | Representative road traffic flow information based on historical data |
| WO2014118970A1 (ja) * | 2013-02-01 | 2014-08-07 | 富士通株式会社 | 旅行時間予測方法、旅行時間予測装置、及びプログラム |
| CN104123833A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种道路状况的规划方法和装置 |
| US20150206428A1 (en) * | 2014-01-21 | 2015-07-23 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
| WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
| WO2017033443A1 (ja) * | 2015-08-27 | 2017-03-02 | 日本電気株式会社 | 渋滞予測システム、渋滞予測方法、及び、記録媒体 |
| KR101826060B1 (ko) * | 2017-05-15 | 2018-02-06 | 주식회사 퀀텀게이트 | 교통사고 예보시스템 |
| EP3413284A1 (en) * | 2017-06-09 | 2018-12-12 | SISTeMA - Soluzioni per l'Ingegneria dei Sistemi di trasporto e l'infoMobilità s.r.l. | Computer system and method for state prediction of a traffic system |
| CN108417034A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 一种基于多变量灰色模型的高速公路节假日车流量预测方法 |
| CN108629979A (zh) * | 2018-06-12 | 2018-10-09 | 浙江工业大学 | 一种基于历史和周边路口数据的拥堵预测算法 |
| CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
| WO2020259074A1 (zh) * | 2019-06-28 | 2020-12-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
| US20210020038A1 (en) * | 2019-07-18 | 2021-01-21 | International Business Machines Corporation | Predictive route congestion management |
| WO2021129227A1 (zh) * | 2019-12-27 | 2021-07-01 | 华为技术有限公司 | 一种交通信息处理方法及装置 |
| CN111445694A (zh) * | 2020-03-04 | 2020-07-24 | 青岛海信网络科技股份有限公司 | 一种基于交通流量预测的节假日交通调度方法及装置 |
| CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
| GB202108207D0 (en) * | 2020-06-30 | 2021-07-21 | Univ Xidian | Vehicle traffic flow prediction method with missing data |
| US20210209938A1 (en) * | 2020-09-25 | 2021-07-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
| CN112669630A (zh) * | 2020-12-29 | 2021-04-16 | 杭州海康威视数字技术股份有限公司 | 交通信号配时方案生成方法、交通信号控制方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 邓晶 等: "基于数据挖掘技术的交通流预测模型", 《计算机系统应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706863B (zh) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Urban traffic signal control with connected and automated vehicles: A survey | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| US12008896B2 (en) | System and method for detection and quantification of irregular traffic congestion | |
| CN107331172B (zh) | 一种基于道路交通状态的交通相位调整方法和装置 | |
| CN109118771B (zh) | 一种城市交通常发性拥堵特征确定的方法及装置 | |
| CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
| CN109841078B (zh) | 导航数据处理方法及其装置、存储介质 | |
| US20210241613A1 (en) | Methods and systems for predicting travel time | |
| Liu et al. | Length-based vehicle classification using event-based loop detector data | |
| CN113276874B (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
| Evans et al. | Evolution and future of urban road incident detection algorithms | |
| Huang et al. | Real time delay estimation for signalized intersection using transit vehicle positioning data | |
| Wang et al. | Short-term travel time estimation and prediction for long freeway corridor using NN and regression | |
| Shirke et al. | Modeling expressway lane utilization and lane choice behaviour: a case study on Delhi–Gurgaon Expressway | |
| Deng et al. | Modeling and prediction of bus operation states for bunching analysis | |
| CN113706863B (zh) | 一种道路交通状态预测方法 | |
| Priambodo et al. | Predicting traffic flow based on average speed of neighbouring road using multiple regression | |
| CN115762230A (zh) | 基于剩余车位量预测的停车场智能引导方法及装置 | |
| CN113256973B (zh) | 一种高峰开始时间预测方法、装置、设备及介质 | |
| US20150348407A1 (en) | Recommendation Engine Based on a Representation of the Local Environment Augmented by Citizen Sensor Reports | |
| CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
| Zhang et al. | Is dynamic traffic sensor network profitable for network-level real-time information prediction? | |
| KR20220063035A (ko) | 도로 분기점 방향별 통행시간 산출 기반의 교통정보 서비스 방법 | |
| Di Martino et al. | Predicting the spatial impact of planned special events | |
| KR102302486B1 (ko) | 도시 도로의 운행 속도 처리 방법, 도시 도로의 운행 속도 처리 장치, 기기 및 비휘발성 컴퓨터 저장 매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |